[论文解读] EHAAS: Energy Harvesters As A Sensor for Place Recognition on Wearables

Yoshinori Umetsu, Yugo Nakamura+3 more|arXiv (Cornell University)|Mar 20, 2019

Indoor and Outdoor Localization Technologies参考文献 24被引用 7

一句话总结

该论文提出EHAAS，一种可穿戴场所识别系统，通过利用能量收集器（如太阳能电池、压电元件）对光照、运动及材料差异的可变输出，将其重新用作环境传感器。通过在多源能量收集信号上应用机器学习，EHAAS在九个室内外场所实现了88.5%的F值准确率，仅使用两种太阳能电池类型时也达到86.2%的准确率，优于传统传感器（如三轴加速度计和照度传感器）。

ABSTRACT

A wearable based long-term lifelogging system is desirable for the purpose of reviewing and improving users' lifestyle habits. Energy harvesting (EH) is a promising means for realizing sustainable lifelogging. However, present EH technologies suffer from instability of the generated electricity caused by changes of environment, e.g., the output of a solar cell varies based on its material, light intensity, and light wavelength. In this paper, we leverage this instability of EH technologies for other purposes, in addition to its use as an energy source. Specifically, we propose to determine the variation of generated electricity as a sensor for recognizing "places" where the user visits, which is important information in the lifelogging system. First, we investigate the amount of generated electricity of selected energy harvesting elements in various environments. Second, we design a system called EHAAS (Energy Harvesters As A Sensor) where energy harvesting elements are used as a sensor. With EHAAS, we propose a place recognition method based on machine-learning and implement a prototype wearable system. Our prototype evaluation confirms that EHAAS achieves a place recognition accuracy of 88.5% F-value for nine different indoor and outdoor places. This result is better than the results of existing sensors (3-axis accelerometer and brightness). We also clarify that only two types of solar cells are required for recognizing a place with 86.2% accuracy.

研究动机与目标

• 探索将能量收集（EH）元件不仅用作电源，还用作可穿戴生活日志系统中场所识别的环境传感器的可行性。
• 评估不同EH器件（如太阳能电池、压电元件和热电元件）在多种室内外条件下的环境敏感性。
• 设计并原型化一种可穿戴系统EHAAS，利用EH输出变化作为机器学习驱动的场所识别的输入特征。
• 确定实现高精度场所识别所需的最少EH元件集合，以实现微型化和低功耗部署。
• 在真实生活日志场景中，将EHAAS性能与传统传感器（如三轴加速度计、照度传感器）进行比较。

提出的方法

• 系统在九个不同的室内外场所，于各种环境条件下，采集多个EH元件（如不同类型的太阳能电池、压电元件、珀尔帖元件）的时间序列输出信号。
• 从EH信号中提取环境特征，包括幅值、频率和频谱特性，以表征独特的场所特征。
• 使用监督机器学习分类器（如SVM或随机森林）对这些特征进行训练，基于EH输出模式识别场所。
• 原型可穿戴系统集成了多个EH元件，并在本地处理数据，以最大限度降低功耗并保护隐私。
• 通过所有测试场所的F值、精确率、召回率和混淆矩阵评估性能。
• 进行敏感性分析，以识别最有效的EH元件组合，包括传感器集合减少的消融研究。

实验结果

研究问题

• RQ1 能量收集元件是否能在不同室内外环境中表现出显著且可测量的输出差异，足以作为特定场所的环境特征？
• RQ2 在真实可穿戴场景中，使用EH元件进行场所识别的性能与传统传感器（如三轴加速度计和照度传感器）相比如何？
• RQ3 实现高精度场所识别所需的最少数量和组合的EH元件是什么，从而实现可穿戴设备的实际微型化？
• RQ4 不同材料的EH元件（如多晶硅与有机薄膜太阳能电池）是否因光谱和强度响应差异而提供互补的环境传感能力？
• RQ5 在低光照或运动触发环境中，引入动能或热电EH元件在多大程度上能提升识别准确率？

主要发现

• 使用五个能量收集元件（SC2、SC3、SC4、SC5、压电元件）时，EHAAS在九个室内外场所的平均F值达到88.5%。
• 仅使用两种太阳能电池类型（SC1和SC2）时，EHAAS的平均F值达到86.2%，表明极简传感器硬件仍可实现高精度。
• 该系统优于使用三轴加速度计和照度传感器的基线方案，后者平均F值仅为77.4%，尤其在区分相似环境（如走廊）方面表现更优。
• 性能最差的配置——仅使用单一压电元件——F值为65.5%，表明单一类型EH传感器不足以实现鲁棒识别。
• SC1（多晶硅）与SC2（有机薄膜）太阳能电池的组合在准确率与硬件最小化之间实现了最佳平衡，F值达86.2%，且在大多数场所表现良好。
• 当仅使用两种太阳能电池时，Corridor_1st与Corridor_4th的识别准确率有所下降，但其他场所仍保持高准确率，证实环境相似性会影响识别效果，但整体系统仍具鲁棒性。